一种基于数据驱动的脓毒症免疫状态量化方法

摘要

本研究通过数据可视化分析和三维数值拟合，分析脓毒症患者与健康对照者中白细胞、淋巴细胞和中性粒细胞之间的定量关系，建立数学模型，以探讨脓毒症中的免疫状态。

摘要

在脓毒症中，了解白细胞、淋巴细胞和中性粒细胞之间的相互作用对于评估免疫状态并优化治疗策略至关重要。研究采集了512名脓毒症患者和205名健康对照者的血液样本，共计717份样本。通过数据可视化分析和三维数值拟合，建立了描述白细胞、淋巴细胞和中性粒细胞之间关系的数学模型。采用自组织特征映射（SOFM）方法，对模型所表示的三维空间中的脓毒症样本数据进行自动聚类，从而识别出不同的免疫状态。

分析显示，白细胞、淋巴细胞和中性粒细胞计数被限制在一个三维平面内，其关系由以下方程描述：WBC = 1.098 × Neutrophils + 1.046 × Lymphocytes + 0.1645，预测误差（RMSE）为1%。尽管样本的空间分布存在差异，该方程仍普遍适用于所有样本。自组织特征映射（SOFM）聚类在脓毒症患者群体中识别出九种不同的免疫状态，代表了不同的免疫水平、振荡周期和恢复阶段。

上述方程所表示的数学模型揭示了脓毒症患者和健康对照者中免疫细胞群体的基本约束边界。此外，SOFM聚类方法对该约束边界内脓毒症患者所表现出的不同免疫状态提供了全面的概述。本研究为今后量化和分类脓毒症免疫状态的工作奠定了基础，最终可能有助于开发更为客观的诊断和治疗策略。

引言

脓毒症是由感染引发的宿主反应失调所导致的一种危及生命的器官功能障碍，在重症监护医学中仍然是一个重大挑战¹。尽管对脓毒症病理生理机制的理解已取得进展，免疫系统与病原体之间复杂的相互作用仍给该疾病的诊断和有效治疗带来困难²。目前的临床方法通常集中于监测感染指标、器官功能、细胞因子、微生物检测以及肠道微生物组³。然而，人们日益认识到免疫细胞，特别是白细胞、淋巴细胞和中性粒细胞，在脓毒症进展与恢复过程中发挥着关键作用⁴。

在脓毒症病程中，免疫系统会经历一系列复杂的改变，其特征是初期出现过度炎症反应，随后进入持续较长时间的免疫抑制阶段⁵。早期表现为中性粒细胞数量急剧升高，同时淋巴细胞群体减少，反映出固有免疫应答的激活和适应性免疫的受抑⁶。随着病情进展，中性粒细胞水平可能出现波动或耗竭，而淋巴细胞计数持续下降，导致免疫抑制状态，使患者易于发生继发性感染⁷。深入了解这些免疫细胞群体之间的动态相互作用，对于准确评估脓毒症患者的免疫状态并制定靶向干预措施至关重要。

传统分析脓毒症中免疫细胞计数的方法依赖于单变量或双变量分析，这些方法无法捕捉多个免疫参数之间的复杂关系⁸。近年来，数据可视化和机器学习技术的进步为探索高维免疫学数据提供了新的可能性⁹。特别是三维散点图可视化和自组织特征映射（SOFM）¹⁰，在揭示隐藏模式以及识别不同疾病背景下的独特免疫状态方面展现出良好的应用前景。

本研究旨在通过使用先进的数据可视化和聚类技术，分析白细胞、淋巴细胞和中性粒细胞之间的定量关系，以探究脓毒症患者的免疫状态。研究假设这些免疫细胞群体受到一种潜在数学关系的约束，处于一个三维空间内。通过揭示这一关系，并利用自组织特征映射（SOFM）识别不同的免疫状态，本研究力图为理解脓毒症中的免疫动态状态提供框架，并促进临床决策。

该方法涉及采集入住重症监护病房（ICU）的512名脓毒症患者和205名健康个体的血液样本，共计717份样本。研究人群包括男性（54.3%）和女性（45.7%），年龄范围为35至100岁（平均年龄：73.5岁）。通过三维散点图可视化和数值拟合，建立一个数学模型，描述脓毒症患者和健康对照者中白细胞、淋巴细胞和中性粒细胞之间的相互关系。随后采用自组织特征映射（SOFM）对脓毒症样本数据在三维空间中进行自动聚类，以识别不同的免疫状态。通过将脓毒症患者的免疫特征和空间分布与数学模型所界定的约束边界内的健康个体进行比较，本研究旨在深入理解脓毒症的病理生理机制，并探索免疫调节治疗的潜在靶点。

通过为评估脓毒症患者的免疫状态提供一种定量方法，该方法可实现对该疾病的更精确分期，并指导选择适当的干预措施。此外，利用自组织特征映射（SOFM）识别出的不同免疫状态，可能为未来针对个体患者特定免疫特征的个性化免疫治疗研究奠定基础。

总之，本研究通过利用先进的数据可视化和机器学习技术，提出了一种理解脓毒症免疫状态的方法。通过揭示脓毒症患者与健康对照者之间关键免疫细胞群体的数学关系，并识别脓毒症患者中不同的免疫状态，该研究为脓毒症复杂的免疫动态提供了新的视角。该方法能够更精确地评估疾病状态（不同聚类），并可指导适当干预措施的选择，最终有助于开发更有效的诊断和治疗策略。

方案

本研究通过探讨白细胞、淋巴细胞和中性粒细胞之间的关系，分析脓毒症患者的免疫状态。患者在中国北京东直门医院重症监护室（ICU）入组，并在签署知情同意书后接受标准血液检测。本研究遵循机构人体研究伦理委员会的指导原则进行。数据分组及详细数据内容见于 补充表1。该 软件工具 本研究中使用的研究对象列于下文 材料表

1. 数据收集与准备

注意：选择白细胞、中性粒细胞和淋巴细胞作为脓毒症患者免疫状态的关键指标。这一选择基于已确立的临床观察：脓毒症患者的淋巴细胞计数往往受到抑制并逐渐下降，而中性粒细胞计数则常出现波动。这两种细胞类型已被经验性地认为是脓毒症患者群体免疫状态的重要标志物。然而，这些参数之间的精确量化关系在现有文献中尚未明确报道。因此，选择白细胞、中性粒细胞和淋巴细胞作为量化脓毒症患者免疫状态的起点。

1. 安装适用于 Excel 的 MATLAB 电子表格链接加载项。
   1. 打开 Microsoft Excel，并转到功能区上的 插入 选项卡。
   2. 在 加载项 区域中，点击 获取加载项。
   3. 在 Office 加载项 对话框中，于搜索栏内搜索 MATLAB 电子表格链接。
   4. 在搜索结果中找到 适用于 Excel 的 MATLAB 电子表格链接 加载项，然后点击 添加 按钮。
   5. 阅读并接受条款与条件，然后点击 继续 以开始安装。
   6. 如系统提示，请使用 MathWorks 账户登录，或创建新账户以访问该加载项。
   7. 安装完成后，Excel 功能区上将出现 MATLAB 电子表格链接 选项卡。
   8. 点击 MATLAB 电子表格链接 选项卡，确认加载项已成功安装并可正常使用。
2. 将数据发送至 MATLAB 工作区。
   1. 打开包含脓毒症患者数据的电子表格，数据包括白细胞计数、淋巴细胞计数和中性粒细胞计数。
   2. 确保数据以结构化格式组织，每个变量（白细胞计数、淋巴细胞计数和中性粒细胞计数）分别位于独立的列中，每位患者的数据位于独立的行中。
   3. 选中包含白细胞计数、淋巴细胞计数和中性粒细胞计数的单元格区域。
   4. 点击 Excel 功能区中的 MATLAB 电子表格链接 选项卡。
   5. 在 MATLAB 电子表格链接 选项卡中，点击 将数据发送到 MATLAB 按钮。
   6. 在 将数据发送到 MATLAB 对话框中，如果运行了多个 MATLAB 实例，请从下拉菜单中选择适当的实例。
   7. 在 变量名 字段中指定数据的变量名。例如，sepsis_immune_data。
   8. 选择在 MATLAB 中导入数据的目标数据类型（例如，数值矩阵）。
   9. 点击 确定 将数据发送至 MATLAB 工作区。
   10. 切换至 MATLAB 应用程序，并通过检查工作区中是否存在指定的变量名（例如，sepsis_immune_data）来确认数据已成功导入。
3. 在 MATLAB 中检查数据
   1. 使用 MATLAB 电子表格链接加载项将脓毒症患者数据（白细胞计数、淋巴细胞计数和中性粒细胞计数）发送至 MATLAB 后，切换至 MATLAB 应用程序。
   2. 要查看导入数据的内容，请在 MATLAB 命令窗口中输入变量名，然后按 Enter 键。

2. 白细胞、淋巴细胞和中性粒细胞的三维可视化

1. 使用 Immune_scatter3 函数生成图形
   1. 变量 A 存储了脓毒症患者的免疫数据。调用函数 Immune_scatter3(A) 可获得一个图形用户界面（GUI），该界面显示样本的三维散点图，如 图1 所示。
      注意：图中三维平面与样本分布之间的拟合误差非常小。第3节将提供精确的公式。
2. GUI 的使用方法
   1. 利用生成的 GUI 提供的交互功能来探索和分析三维散点图。
      1. 旋转：单击并拖动图形，可在三维空间中旋转图形，从而从不同角度观察样本分布。
      2. 平移：右键单击并拖动图形，可水平或垂直移动图形，调整图形的可见区域。
      3. 缩放：使用鼠标滚轮或工具栏中的缩放控件，放大或缩小图形，以聚焦于特定区域或样本。
      4. 数据光标：单击单个样本，可显示其对应的白细胞、淋巴细胞和中性粒细胞数值。
         注意：通过使用这些交互功能，临床医生可以深入了解脓毒症患者白细胞、淋巴细胞和中性粒细胞之间的关系和模式，有助于对免疫数据进行探索与分析。

3. 公式

1. 在 MATLAB 工作区中，将中性粒细胞计数、淋巴细胞计数和白细胞计数分别赋值给变量 X、Y 和 Z。
2. 为了获得图 1 中三维平面的精确数学表达式（公式 1；WBC = 1.098 × Neutrophils + 1.046 × Lymphocytes + 0.1645 (RMSE: 1%)），执行以下命令：
   [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
   注：该公式定量描述了脓毒症患者中白细胞、中性粒细胞和淋巴细胞之间的关系，对免疫数据提供了简洁而准确的表达。
3. 为了评估拟合优度，使用以下命令计算归一化均方根误差（NRMSE）：
   gof.rmse / (max(Z) - min(Z))
   注：所得 NRMSE 值为 1%，表明拟合平面（公式 1）在三维空间中非常接近实际样本分布。这一较低的误差水平凸显了所获得数学表达式在捕捉脓毒症患者免疫参数间复杂关系方面的可靠性和有效性。

4. 脓毒症中的免疫状态

注意：采用自组织特征映射（SOFM）进行无监督聚类，以识别脓毒症患者的免疫状态。

1. 通过调用 Immune_Condition 函数，在由公式1表示的三维平面上生成样本点的聚类，如 图2 所示。
2. 按照步骤2.2中所述，使用 图2 的交互式可视化功能。
   注意：图2 展示了九个自动聚类结果，标记为Cluster1至Cluster9，这些聚类源自SOFM的无监督机器学习方法。该聚类技术同时考虑了样本的空间拓扑结构和密度，从而能够识别脓毒症患者群体中的不同免疫状态。

脓毒症中典型的免疫振荡轨迹

1. 根据 图2，使用 hold on 命令保持图形处于可叠加状态，然后使用以下命令创建典型患者轨迹数据的三维图。
   hold on
   for i=1: size(p,1)-1
   pause (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Linewidth',3);
   end

结果

脓毒症的进展涉及人体免疫系统与入侵病原体之间的复杂相互作用。在临床诊断和治疗中，人们高度关注感染指标、器官功能标志物、细胞因子、微生物检测，甚至肠道微生物组。然而，本研究强调了三种常见免疫指标的重要性：白细胞、中性粒细胞和淋巴细胞，这一观点并非无据可依。研究表明，脓毒症的病理过程伴随着淋巴细胞群体的抑制和耗竭，而中性粒细胞水平则在反复波动后或趋于耗竭，或成功清除病原体⁵。然而，这一过程背后的数学约束机制及其动态变化仍有待进一步量化和阐明。

在探索512个样本（以蓝色圆点表示）和205名健康对照（以绿色加号表示）在三维空间中的分布时（图1），可以明显看出白细胞、中性粒细胞和淋巴细胞的样本点几乎位于一个平面上，误差极小。散点图中使用不同的颜色和标记清晰地展示了脓毒症组与健康对照组在约束边界内的显著差异。这一观察结果表明，无论健康状态如何，这些免疫细胞...

讨论

本研究通过利用先进的数据可视化和机器学习技术，提出了一种理解脓毒症中免疫状态的方法。通过揭示关键免疫细胞群之间的数学关系并识别出不同的免疫状态，该研究为脓毒症复杂的免疫动态提供了新的视角，并有助于开发更有效的诊断和治疗策略^11,12。主要发现包括发现了一个数学关系（第3节），该关系将这些免疫细胞群限制在一个三维空间内（WBC = 1.098 × 中性粒细胞 + 1.046 × 淋巴细胞 + 0.1645），以及使用自组织特征映射（SOFM）识别出九种不同的免疫状态（第4节）。这些结果为评估脓毒症患者的免疫状态提供了定量框架，并为早期脓毒症患者的分诊提供了一种潜在方法¹³。

本研究结合了数据可视化和机器学习技术，以揭示脓毒症中高维免疫学数据中隐藏的模式和关联。通过超越传统的单变量和双变量分析方法，该研究捕捉到了多个免疫参数之间的复杂相互作用，从而更全面地理解脓毒症中的免疫反应（见...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
MATLAB	数学作品	2022B	计算和可视化
免疫状态的概率散点图	智能  熵	免疫状态 V1.0	北京智能熵科学与熵Technology Co Ltd. CT/MRI 融合建模